标签是您附加到图像的一部分或像素的一些唯一 ID。您可以拥有与应用程序感兴趣的对象（或类）一样多的标签。

一些例子：

• 在连通分量标签中，像素被分配一个标签，该标签通常只是一个数字，对应于像素所属的连通区域的 ID；
• 在物体检测/识别中，标签是检测到的物体所属类别的名称或索引；
• 在人脸识别中，标签将是已识别人的姓名，其人脸作为输入；
• 等等

让我试着写一个更全面的答案。首先，正如@Aaron在他的回答中暗示的那样，标签可以是一个相当笼统的术语。根据您的应用程序，它可能与不同的事物有关。

所以，一般来说，正如@Aaron所说：当您必须对所有或部分图像像素进行分类时，标签对应于任何场合的类名。此外，正如@sansuiso 所指出的，标签的确切含义取决于上下文。

标签既可以是计算机分配的，_计算机确定/推断的_，也可以是人工分配的（通常由在某个领域被认为是“专家”的人分配）。让我举几个例子：

• 如果应用是图像分割

  这里有几种可能的选择。最简单的将来自测试集，或用于分割的基本事实集：将要求“专家”分割图像，然后命名他们标记的每个部分/片段。

  第二个是运行分割算法而不依赖于测试集进行学习。图像将以某种方式被分割（可能在预定数量的区域中，或取决于信噪比）。算法将简单地为这些区域分配数字标签：区域 1、区域 2等。

  第三种选择可能来自将分割算法的结果与地面实况数据库相结合：然后该算法可能会尝试确定图像区域的实际描述性标签。

• 对象检测或对象分类中的用途

  对于这两者，您主要需要示例。理想情况下，示例是仅包含您想学习如何检测或分类的对象的图像，但有时可以包含更多对象。数据库中的每个图像都需要由人处理，每个对象都正确标记（“分割”）和标记（例如“鸟”、“猫”、“树”、“书”）以创建学习集。

  这样一个数据库的一个例子是LabelMe，麻省理工学院要求人们在空闲时间标记一些图像，如果他们愿意的话。

  使用这些数据库，您可以进行对象检测或分类。对于分类，您通常只会为每个图像分配一个标签。您尝试找到图像所代表的一个对象，然后据此对图像进行标记/分类。然后图像可能会得到标签“鸟”或“狗”。

  对于对象检测，您的算法只会“标记”或“分割”图像的一个或多个区域。然后为每个区域分配一个标签。或者，您可以为所有剩余的图像像素分配标签“背景”。

• 卫星图像理解（也是一种分类）

  我见过这样的例子，对于卫星图像，您从一组预定的标签（通常是“建筑、植被、道路、水、地面”或类似的东西）中为每个像素分配了一个标签。您有一个小示例图像，或者可能只有 10% 的图像被标记。然后，您尝试学习图像其余部分中每个像素的标签。

  我会试着找到这样做的作品的链接，现在不记得了。

如您所见，您可以标记非常不同的事物： 整个图像、单独的每个像素、图像的孤立区域或分割中的所有区域。

此外，标签可以是人类确定的、由算法确定的通用（数字）标签，或基于人类标记/标记的示例学习（以便人类可以理解）。

在计算机视觉中，您经常尝试对图像或图像的一部分进行分类。标签对应于类名。例如，如果您对一张人脸图像进行性别分类，那么标签将是男性和女性。如果您进行分割，那么标签可能对应于天空、汽车、街道等。

我认为潜在的区别在科学理论中被称为“测量水平”。

简单地说，问题是什么操作对值有意义：

• CCD传感器在某个像素处测量的总能量是一个比率量：您可以比较两个亮度以找出哪个比另一个更亮，您可以将它们相加和相减，您可以将两个亮度值相除或将它们乘以一个标量常数，你会得到一个有意义的结果

• 序数属性的典型示例是莫氏矿物硬度标度。如果矿物 A 的硬度值为 4，矿物 B 的硬度值为 2，那么 A 会刮伤 B。您可以比较硬度值。当然，也可以加减矿物硬度值，但结果没有意义。

  如果您的相机传感器不是线性的，并且您不知道光能与生成的像素值之间的函数关系，则应将像素视为有序属性。

• 名义属性可能是您的教授所说的“标签”：一个典型的例子是国籍（法国，美国，德国......）。即使您将它们表示为计算机内存中的整数，您也无法明智地将这些值相加或相乘。两个国籍之间的大于/小于也没有意义。两个标签之间唯一有意义的关系是相等/不等。